×
埃里克·罗德纳;亚历山大·弗雷塔格;保罗·博德斯海姆;比约恩·弗里奇;乔阿希姆·登茨勒

视觉识别任务中使用广义直方图交集核的大尺度高斯过程推理。 （英语） 兹比尔1458.68251

国际期刊计算。视觉。 121，第2期，253-280（2017）.
总结：我们提出了在大规模场景中进行快速高斯过程（GP）推理的新方法，包括带标记回归的精确多类分类、超参数优化和不确定性预测。与以前的方法相比，我们使用了一个完全高斯过程模型，没有稀疏近似技术。我们的方法是基于利用广义直方图交集核及其快速核乘法。我们通过数万个例子实证验证了我们的技术在广泛场景中的适用性。虽然在这些设置中，由于内存消耗和计算时间，普通GP模型很难处理，但我们的结果表明，确实可以有效地进行精确推断。因此，我们使高斯过程框架的每一个重要部分——学习、推理、超参数优化、方差估计和在线学习——都能在包含大量数据的实际场景中使用。

引用于1文件

MSC公司：

68T45型 机器视觉和场景理解
60G15年 高斯过程
68T05型 人工智能中的学习和自适应系统

关键词：

大规模学习;高斯过程;超参数优化;视觉识别

软件：

伦敦银行支持向量机;LIBLINEAR银行;脱咖啡因咖啡;AlexNet公司;ImageNet公司;青蒿素;RALF公司
PDF格式BibTeX公司 XML格式引用
\textit{E.Rodner}等人，《国际计算杂志》。视觉。121，第2号，253--280（2017；Zbl 1458.68251）
全文： 内政部

参考文献：

[1] Ablavsky，V.和Sclaroff，S.（2011年）。在单纯形流形上学习参数化直方图核，用于图像和动作分类。IEEE国际计算机视觉会议（ICCV）第1473-1480页。
[2] Bai，Z.和Golub，G.H.（1997年）。对称正定矩阵的逆矩阵和行列式的迹的界。《数值数学年鉴》，4（1-4），29-38·Zbl 0883.15013号
[3] Barla，A.、Odone，F.和Verri，A.（2003）。用于图像分类的直方图交集核。IEEE图像处理国际会议（ICIP），第513-516页。
[4] Berg，A.C.、Deng，J.和Fei-Fei，L.（2010年）。大规模视觉识别挑战。http://www.imagenet.org/challenges/LSVRC/2010/。
[5] Bo，L.和Sminchisescu，C.（2008）。大规模高斯过程回归的贪婪块坐标下降。人工智能中的不确定性（UAI）。
[6] Bo，L.和Sminchisescu，C.（2010年）。结构化预测的双高斯过程。国际计算机视觉杂志（IJCV），87（1-2），28-52·doi:10.1007/s11263-008-0204-y
[7] Bo，L.和Sminchisescu，C.（2012年）。大规模高斯过程回归的贪婪块坐标下降。Computing Research Repository（CoRR）abs/1206.3238，之前出版于《人工智能不确定性》（UAI）。
[8] Bonilla，E.V.、Chai，K.M.A.和Williams，C.K.I.（2008年）。多任务高斯过程预测。《神经信息处理系统进展》（NIPS）（第153-160页）。剑桥：麻省理工学院出版社。
[9] Bottou，L.、Chapelle，O.、DeCoster，D.和Weston，J.（编辑）。(2007). 大型内核机器。剑桥：麻省理工学院出版社。
[10] Boughorbel，S.、Tarel，J.P.和Boujemaa，N.（2005年）。用于图像识别的广义直方图交集核。IEEE图像处理国际会议（ICIP），第161-164页。
[11] Chang，C.C.和Lin，C.J.（2011）。Libsvm：一个支持向量机库。ACM智能系统与技术汇刊（TIST），2，1-27·数字对象标识代码：10.1145/1961189.1961199
[12] Deng，J.、Berg，A.、Li，K.和Fei-Fei，L.（2010）。对10000多个图像类别进行分类告诉了我们什么？在欧洲计算机视觉会议（ECCV）上，第71-84页。
[13] Donahue，J.、Jia，Y.、Vinyals，O.、Hoffman，J.，Zhang，N.、Tzeng，E.和Darrell，T.（2013）。Decaf：用于一般视觉识别的深度卷积激活功能。arXiv预打印arXiv:1310.1531。
[14] Ebert，S.、Fritz，M.和Schiele，B.（2012年）。Ralf：用于对象类识别的强化主动学习公式。在IEEE计算机视觉和模式识别（CVPR）会议上，第3626-3633页。
[15] Fan，R.E.，Chang，K.W.，Hsieh，C.J.，Wang，X.R.，&Lin，C.J.（2008）。Liblinear：大型线性分类库。机器学习研究杂志（JMLR），91871-1874·Zbl 1225.68175号
[16] Freytag，A.、Fröhlich，B.、Rodner，E.和Denzler，J.（2012a）。使用高斯过程和直方图相交核进行有效的语义分割。在模式识别国际会议（ICPR）上，第3313-3316页。
[17] Freytag，A.、Rodner，E.、Bodesheim，P.和Denzler，J.（2012b）。使用高斯过程和直方图相交核快速计算不确定性。摘自：亚洲计算机视觉会议（ACCV），第511-524页。
[18] Freytag，A.、Rodner，E.、Bodesheim，P.和Denzler，J.（2013）。标注重要示例：基于相关性的高斯过程主动学习。在德国模式识别会议（GCPR）上，第282-291页。
[19] Freytag，A.、Rodner，E.和Denzler，J.（2014a）。选择有影响力的例子：积极学习，预期模型输出发生变化。参加：欧洲计算机视觉会议（ECCV）。
[20] Freytag，A.、Rühle，J.、Bodesheim，P.、Rodner，E.和Denzler，J.（2014b）。看穿视觉眼镜：理解特征提取方法中的量化效果。In:模式识别国际会议（ICPR）-FEAST研讨会。
[21] Grauman，K.和Darrell，T.（2007年）。金字塔匹配内核：利用一组特征进行高效学习。机器学习研究杂志（JMLR），8（4月），725-760·Zbl 1222.68206号
[22] He，H.，&Siu，W.C.（2011）。使用高斯过程回归的单图像超分辨率。IEEE计算机视觉和模式识别会议（CVPR），第449-456页。
[23] Hestenes，M.R.和Stiefel，E.（1952年）。求解线性系统的共轭梯度法。国家标准局研究期刊，49（6），409-436·Zbl 0048.09901号 ·doi:10.6028/jres.049.044
[24] Käding，C.、Freytag，A.、Rodner，E.、Bodesheim，P.和Denzler，J.（2015）。在存在无法描述的实例时主动学习和发现对象类别。在IEEE计算机视觉和模式识别（CVPR）会议上，第4343-4352页。
[25] Kapoor，A.、Grauman，K.、Urtasun，R.和Darrell，T.（2010年）。对象分类的高斯过程。国际计算机视觉杂志（IJCV），88（2），169-188·Zbl 1477.68384号 ·doi:10.1007/s11263-009-0268-3
[26] Kemmler，M.、Rodner，E.和Denzler，J.（2010年）。高斯过程的一类分类。摘自：亚洲计算机视觉会议，第2卷，第489-500页。
[27] Krizhevsky，A.、Sutskever，I.和Hinton，G.E.（2012）。基于深度卷积神经网络的Imagenet分类。神经信息处理系统（NIPS）进展。
[28] Lazebnik，S.、Schmid，C.和Ponce，J.（2006）。除了一袋袋的特征：用于识别自然场景类别的空间金字塔匹配。在IEEE计算机视觉和模式识别（CVPR）会议上，第2169-2178页。
[29] Maji，S.、Berg，A.C.和Malik，J.（2008）。使用交叉核支持向量机进行分类是有效的。在IEEE计算机视觉和模式识别（CVPR）会议上，第1-8页。
[30] Maji，S.、Berg，A.C.和Malik，J.（2013）。加性核支持向量机的有效分类。IEEE模式分析和机器智能汇刊（TPAMI），35（1），66-77·doi:10.1109/TPAMI.2012.62
[31] Nelder，J.A.和Mead，R.（1965年）。函数最小化的单纯形方法。《计算机杂志》，7（4），308-313·Zbl 0229.65053号 ·doi:10.1093/comjnl/7.4.308
[32] Nickisch，H.和Rasmussen，C.E.（2008）。二元高斯过程分类的近似。机器学习研究杂志，9（10），2035-2078·Zbl 1225.62087号
[33] Nocedal，J.和Wright，S.J.（2006年）。共轭梯度法。纽约：斯普林格。
[34] Perronnin，F.、Akata，Z.、Harchaoui，Z.和Schmid，C.（2012）。面向图像分类大规模学习的良好实践。在IEEE计算机视觉和模式识别（CVPR）会议上，第3482-3489页。
[35] Pillonetto，G.、Dinuzzo，F.和Nicolao，G.D.（2010年）。高斯过程的贝叶斯在线多任务学习。IEEE模式分析和机器智能汇刊（TPAMI），32（2），193-205·doi:10.1109/TPAMI.2008.297
[36] Quattoni，A.和Torralba，A.（2009年）。识别室内场景。摘自：IEEE计算机视觉和模式识别会议（CVPR），第413-420页。
[37] Quiñonero Candela，J.和Rasmussen，C.E.（2005）。稀疏近似高斯过程回归的统一观点。机器学习研究杂志（JMLR），1939-1959年6月·Zbl 1222.68282号
[38] Rasmussen，C.E.和Williams，C.K.I.（2006）。机器学习的高斯过程。自适应计算和机器学习。剑桥：麻省理工学院出版社·Zbl 1177.68165号
[39] Rodner，E.（2011）。从几个例子中学习视觉识别问题。Hut Verlag München，http://herakles.inf-cv.uni-jena.de/biborb/bibs/cv/papers/Rodner11:Diss.pdf。
[40] Rodner，E.、Hegazy，D.和Denzler，J.（2010年）。飞行时间图像中通用三维物体识别的多核高斯过程分类。摘自：新西兰图像和视觉计算国际会议（IVCNZ），第1-8页。
[41] Rodner，E.、Freytag，A.、Bodesheim，P.和Denzler，J.（2012）。具有灵活自适应直方图核的大规模高斯过程分类。欧洲计算机视觉会议，第4卷，第85-98页。
[42] Russakovsky，O.、Deng，J.、Su，H.、Krause，J.，Satheesh，S.、Ma，S.等人（2015）。ImageNet大规模视觉识别挑战。国际计算机视觉杂志（IJCV），115，1-42·doi:10.1007/s11263-015-0816-y
[43] Schölkopf，B.和Smola，A.J.（2001）。使用内核学习：支持向量机、正则化、优化及其他。剑桥：麻省理工学院出版社。
[44] Snoek，J.、Larochelle，H.和Adams，R.P.（2012）。机器学习算法的实用贝叶斯优化。《神经信息处理系统进展》，第2951-2959页。
[45] Sun，J.和Ponce，J.（2013）。学习用于图像分类和共分割的判别部分检测器。在IEEE国际计算机视觉会议（ICCV）上。
[46] Tong，S.和Koller，D.（2001）。支持向量机主动学习，并应用于文本分类。机器学习研究杂志（JMLR），2（11月），45-66·Zbl 1009.68131号
[47] Urtasun，R.和Darrell，T.（2008）。用于与活动无关的人体姿势推断的稀疏概率回归。摘自：IEEE计算机视觉和模式识别会议（CVPR），第1-8页。
[48] Vapnik，V.（1998）。统计学习理论（第2卷）。纽约：Wiley·Zbl 0935.62007号
[49] Vázquez，D.、Marin，J.、Lopez，A.M.、Geronimo，D.和Ponsa，D.（2014）。用于行人检测的虚拟和现实世界自适应。IEEE模式分析和机器智能汇刊（TPAMI），36（4），797-809·doi:10.1109/TPAMI.2013.163
[50] Vedaldi，A.和Zisserman，A.（2010年）。通过显式特征映射实现高效的加性核。摘自：IEEE计算机视觉和模式识别会议（CVPR），第3539-3546页。
[51] Vedaldi，A.、Gulshan，V.、Varma，M.和Zisserman，A.（2009年）。用于对象检测的多个内核。IEEE计算机视觉国际会议（ICCV），第606-613页。
[52] Wang，G.、Hoiem，D.和Forsyth，D.（2012年）。使用快速内核机器从flickr组学习图像相似性。IEEE模式分析和机器智能汇刊（TPAMI），34（11），2177-2188·doi:10.1109/TPAMI.2012.29
[53] Williams，C.K.I.和Seeger，M.（2000）。输入密度分布对基于核分类器的影响。摘自：国际机器学习会议（ICML），第1159-1166页。
[54] Wu，J.（2010）。一种快速的hik-svm对偶学习方法。摘自：欧洲计算机视觉会议，第552-565页。
[55] Wu，J.（2012）。高效的hik-svm学习用于图像分类。IEEE图像处理学报（TIP），21（10），4442-4453·Zbl 1381.62196号 ·doi:10.1109/TIP.2012.2207392
[56] Yuan，Q.、Thangali，A.、Ablavsky，V.和Sclaroff，S.（2008）。乘法内核：对象检测、分割和姿态估计。计算机视觉和模式识别（CVPR），IEEE，第1-8页。
[57] Yuster，R.（2008）。通过嵌套分割进行秩和行列式计算的矩阵稀疏化。摘自：IEEE计算机科学基础研讨会（FOCS），第137-145页。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。